基于排队的环形路口生态驾驶强化学习
机器学习
2024-07-19 v2
摘要
我们聚焦于环形路口的生态驾驶问题，旨在增强城市地区的交通流量和交通效率。目标是主动优化自动或非自动连接车辆（CV）的速度，确保其在接近和顺利进入环形路口时的高效性。我们整合了前方交通情况，包括前导车辆和等待队列。进一步，我们开发了两种方法：基于规则和基于强化学习（RL）的生态驾驶系统，两种方法都使用该链路和来自冲突 CV 的信息进行速度优化。我们对基于规则和基于 RL 的方法进行了公平比较，以探索 RL 作为经典优化方法的可行性。结果表明，两种方法都优于基准。随着交通量的增大，改进幅度显著增加，在高交通量时获得最佳结果。接近容量时，性能恶化，表明在容量限制处的适用性有限。检查不同的 CV 渗透率后，我们观察到性能下降，但在较低的 CV 渗透率下仍实现显著的成果。RL 代理能够在动态环形路口环境中发现有效的速度优化策略，但它们在高交通量或低 CV 渗透率时并不提供显著的优势。
引用
@article{arxiv.2405.00625,
title = {Queue-based Eco-Driving at Roundabouts with Reinforcement Learning},
author = {Anna-Lena Schlamp and Werner Huber and Stefanie Schmidtner},
journal= {arXiv preprint arXiv:2405.00625},
year = {2024}
}
备注
Reward function of the RL-agent needs to be updated, optimization in progress